没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于内存的协同过滤推荐系统存在数据稀疏和数据集异构的问题。为此,提出一种基于变权重相似度计算和自适应局部融合参数的协同过滤方法。通过统计数据集,提取用户-项目评分项的用户情感信息量计算用户相似度,同时根据用户-项目评分项的评分质量改进项目相似度计算方法,利用基于相似用户(或项目)的方法预测置信度,得到自适应局部融合参数,以增强协同过滤方法对数据集的适应能力。实验结果表明,相比传统全局融合参数方法,该方法在数据稀疏情况下的平均绝对误差降低了0.02,具有较高的推荐精度和推荐覆盖度,并且有效解决了数据稀疏和数
资源推荐
资源详情
资源评论
第
40
卷第
l
期
Vo
1.
40
No.l
计算机工程
Computer
Engineering
月
M
lm
年
y
4·
在
lu
nunu
2h
·先进计算与数据处理·
中固分类号
TP391
文章编号
1000-3428(2014)01
→
039
→
6
文献标识码
A
一种基于自适应局部融合参数的协同过滤方法
程小林飞熊焰刘青文陆琦琦
I
(1.中国科学技术大学计算机科学与技术学院,合肥
230027;
2.
中国卫星海上测控部,江苏江阴
214431)
摘 要:基于内存的协同过滤推荐系统存在数据稀疏和数据集异构的问题。为此,提出一种基于变权重相似度计算和自适应局部
融合参数的协同过滤方法。通过统计数据集,提取用户-项目评分项的用户情感信息量计算用户相似度,同时根据用户-项目评分项
的评分质量改进项目相似度计算方法,利用基于相似用户(或项目的方法预测置信度,得到自适应局部融合参数,以增强协同过滤
方法对数据集的适应能力。实验结果表明,根比传统全局融合参数方法,该方法在数据稀疏情况下的平均绝对误差降低了
0.02
,
具有较高的推荐精度和推荐覆盖度,并且有效解决了数据稀疏和数据集异构问题。
关键词:推荐系统;协同过滤;数据稀疏;基于内存的方法;相似度计算;全局融合参数;自适应局部融合参数
A Collaborative Filtering
Method
ßased
on
Adaptive Local
Fusion-parameter
CHENG
Xiao-lin
1
气
XIONG
Yan
t,
LIU
Qing-wen
1
,
LU
Qi-wei
(1.
School ofComputer Science and Technology, University ofScience and Technology ofChina, Hefei 230027, China;
2.
China Satellite Maritime Tracking and Control D
巳
partment
,
Jiangyin 214431, China)
(Abstract]
Aiming at the problem
of
data sparsity and dataset heterogeneity
in
memory-based collaborative filtering recomrnendation
system
, this paper proposes a collaborative filtering method based on variable weight similarity computation and Adaptive Local Fusion-
parameter(ALFP). The method extracts user emotion information
of
user-item rating by counting data set to compute user similarity,
meanwhile, according to user-item rating quality to improve item similarity computation method. The method then gets ALFP to enhance
collaborative filtering's adaptability to dataset by forecast confidence
of
user-based method and item-based method. Experimental results
show that the method
outperfo
口口
s
traditional Global Fusion-parameter(GFP) method by 0.02 with Mean
Absolut
巳
Error(MAE)
in case
of
data sparsity, it has higher recommendation precision and recommendation coverage, and
effecti
飞,
ely
solves the problem
of
data sparseness
and heterogeneous data sets.
(Key
words]
recommendation system; co
l1
aborative filtering; data sparsity; memory-based method; similarity computation; Global
Fusion-parameter(GFP); Adaptive Local Fusion-parameter(ALFP)
DOI:
1O
.3969/j.issn.l000-3428
.2
014.0
1.
008
1
概述
Intemet
和电子商务的快速发展给人们带来了巨大的便
利,人们足不出户就能阅读文章、收昕音乐、观看电影等。
如何在浩如烟海的信息海洋中找到用户真正感兴趣的项
目,就需要推荐系统的帮助。推荐系统在电子商务中已经
发挥了重要的作用,而且在搜索引擎、广告投放等领域的
应用愈发广泛。
推荐系统主要有基于内容的推荐系统和协同过滤的推
荐系统。基于内容的推荐系统需要采集项目的内容特征,
根据内容相似度对用户进行项目推荐,存在内容提取困难、
项目质量不确定和推荐覆盖面过于专一的缺点。协同过滤
的推荐系统显式或隐式搜集用户偏好信息,显式搜集要求
用户对项目进行评分,而隐式搜集借助于用户访问记录分
析等手段,不需要用户主动参与。它的核心思想是用户可
能会喜欢(不喜欢)与他兴趣相同(不相同)用户所喜欢的项
目。因此,协同过滤的推荐系统不依赖项目内容特征而是
依赖于用户偏好信息进行推荐,避免了基于内容的推荐系
统带来的问题,应用范围也更加广泛。
传统的协同过滤方法有
2
种:基于内存的方法和基于
基金项目:国家自然科学基金资助项目
(61232018
,
61170233
,
61272472
,
61272317
,
61202404);
博士后基金资助项目
(2011M501060)
作者筒介:程小林(1
988
一)
,男,硕士研究生,主研方向:机器学习,推荐系统;熊
焰,教授、博士生导师;刘青文、陆琦讳,
博士
收稿日期:
2012-12-24
修回日期
2013-01-22
E-mail:
karkra@163.com
资源评论
weixin_38575456
- 粉丝: 4
- 资源: 952
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 2024年大厂前端最新场景题面试.pdf
- ES6篇 场景题2024.pdf
- 这是一个使用Java编写的聊天室程序项目,供参考
- 基于python-ffmpeg设计的随舞音频文件生成器.zip(毕设&课设&实训&大作业&竞赛&项目)
- html文件,包含了很多常用的元素,如表单元素,列表,选择框等
- 本项目旨在建立一个基于大数据处理的大学生就业方向分析预测系统,帮助大学生明确就业方向与社会需求的平台(毕设&课设&实训&大作业)
- 基于python实现递归案例(实现了汉诺塔游戏)
- 本项目基于TensorFlow训练了一个CNN模型,开发了一个简易的猫狗识别器 -毕设&课设&实训&大作业&竞赛&项目
- 基于 HTML(5) + CSS(3) + Typescrip+ React + MySQL + UI 等设计的的即时聊天平台
- EI228机器学习大作业 3D医学影像分类.zip(课设&实训&大作业)
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功